关于您I2I的疑惑

[qujunda123]

非常感谢您提供了如此clean且非常具有贡献的工作和代码。最近我在使用自己的数据集实现I2I，在我训练的过程中，训练的loss_g最多只能下降到6-8左右，想请问您，每个损失一般会下降到多少呢，我如何能判断生成的图像可以用于下一步的分割呢？非常感谢您！

[Kaiseem]

你好同学，由于GAN的loss是动态的，所以不能以loss大小为衡量指标，所以建议是1. 以10 epoch为间隔保存模型，然后多次尝试训练Segmentation模型， 2. 目测，如果可视化结果够好就可以了。因为style transfer对于UDA的效果提升有上限（限制于数据集大小），不用特别严格。

[qujunda123]

非常感谢您的回答，我目前确实根据目视方法选择了模型。但是我发现即使很好的模型在生成的图像（用于训练分割模型）还是会夹杂有生成不好的图像，不知道您实际实现过程中是否有类似的问题题呢？怎么解决的？ 由于我是UDA方法的一个新手，所以还想咨询您，我训练I2I模型的时候，哪些超参数比较敏感呢？应该对哪些超参数进行调整比较好使。 再次感谢您！

[Kaiseem]

对于夹杂的生成不好的图像，我也是遇到过的，这大概是因为数据量不足所造成（常见于医学图像）。但针对这种生成不好的图像，不用太担心，因为可以把他理解成strong augmentation的图片（参考FDA，cvpr20，它的生成效果更差，或者我最近的一个工作SLAug，aaai23，故意生成质量很差的图来增强泛化性），你需要做的是多生成同一张图的content所产生多个style的图来cover掉这个缺点。

针对第二个问题，对于I2I的模型我的超参数都follow了MUNIT的超参数，既 lambda_rec=10， lambda_cyc=10，lambda_fm=1 。你可以尝试将 lambda_rec=20， lambda_cyc=20，并且训练更长时间来获得更稳定的训练，然后lambda_fm是最不敏感的超参数，其余的参数就得自己尝试了，比如MsImageDis里面的一些默认参数（其实已经比较通用的参数了），或者generator的参数的维度（例如StyleEncoder中的 nef，32-》64，128 ）。

希望回答能够帮助到你：）

[qujunda123]

非常感谢您，对我的帮助很大！